Ứng dụng trí tuệ nhân tạo (AI), phân loại lớp phủ trên ảnh vệ tinh phục vụ theo dõi biến động sử dụng đất đô thị tại khu vực Từ Liêm, Hà Nội giai đoạn 2013-2021

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO (AI), PHÂN LOẠI LỚP PHỦ TRÊN
ẢNH VỆ TINH PHỤC VỤ THEO DÕI BIẾN ĐỘNG SỬ DỤNG ĐẤT ĐÔ
THỊ TẠI KHU VỰC TỪ LIÊM, HÀ NỘI GIAI ĐOẠN 2013 - 2021
Đặng Thanh Tùng
Trường Đại học Tài ngun và Mơi trường Hà Nội
Tóm tắt
Việc ứng dụng trí tuệ nhân tạo (AI - Artificial Intelligence) ngày càng phát triển sâu rộng,
đã có những nghiên cứu sử dụng các thuật toán phân loại lớp phủ từ ảnh vệ tinh dựa trên việc học
máy. Các nghiên cứu này đem lại hiệu quả rất cao trong công cuộc chuyển đổi số của nhiều lĩnh
vực, trong đó có lĩnh vực quản lý đất đai. Nghiên cứu này sử dụng thuật toán Classification and
regression tree (Cart) để phân loại, giám sát các lớp phủ bề mặt sử dụng đất tại khu vực Từ Liêm,
Hà Nội giai đoạn 2013 - 2021. Kết quả của nghiên cứu đã cho thấy tốc độ suy giảm hàng năm lớp
thực phủ thực vật, đất nông nghiệp là 0,91 % ngược lại, tốc độ tăng trung bình của các khu vực có
nhà cửa, cơng trình xây dựng đạt tới 1,07 %.
Từ khóa: Lớp phủ sử dụng đất; Giám sát; Google Earth Engine; Thuật toán Cart.
Abstract
Application of Artificial Intelligence, classify land covers on satellite images for monitoring
urban land use changes in Tu Liem, Hanoi area, in the period 2013 - 2021
The application of Artificial Intelligence (AI) is increasingly developing, there have
been studies using algorithms to classify the land cover of satellite images based on machine
learning. These studies are very effective in digital transformation in many fields, including land
administration. This study uses the Classification and regression tree (Cart) algorithm to classify
and monitor the land use, and land cover in the Tu Liem area, period 2013 - 2021. The results of
the study showed that the annual rate of decline in vegetation and agricultural covers was 0.91 %,
in contrast, the average growth rate of the built-up areas reached 1.07 %.
Keywords: Land use; Land cover; Monitoring; Google Earth Engine; Cart algorithms.
1. Mở đầu
Chuyển đổi số hiện nay đang là yêu cầu quan trọng đáp ứng sự phát triển của kinh tế xã hội
và các ngành khoa học, kỹ thuật. Lĩnh vực viễn thám trong ngành Quản lý đất đai từ trước đây cho
tới nay đã có nhiều nghiên cứu, ứng dụng phục vụ các phân tích, theo dõi, đánh giá về biến động
lớp phủ sử dụng đất, biến động đô thị, thành lập bản đồ hiện trạng sử dụng đất, thống kê, kiểm kê

đất đai. Trước đây, từ những năm 1850 - 1860 các nhà khoa học đã tiến hành công tác chụp ảnh
bề mặt trái đất từ khinh khí cầu. Đến những năm đầu thế kỷ XX, đã phát triển công nghệ chụp ảnh
từ máy bay (từ những năm 1903) đó là các loại ảnh tương tự (analog). Giai đoạn 1960 - 1970 trên
thế giới bắt đầu sử dụng thuật ngữ viễn thám. Việc phát triển mạnh mẽ phương pháp xử lý ảnh số
ảnh số (digital) đã được thực hiện trong giai đoạn 1970 - 1980. Hiện nay, phương pháp khai thác
và xử lý ảnh trực tuyến dựa trên hệ thống mạng Internet tồn cầu đã có những bước phát triển vượt
bậc đem lại nhiều lợi ích to lớn cho rất nhiều ngành ứng dụng khác nhau, trong đó có ngành quản
lý đất đai.
Song hành với sự phát triển của công nghệ viễn thám, các phương pháp xây dựng thông tin
phục vụ phân tích, đánh giá về quản lý đất đai, về đơ thị hóa cũng ngày càng có hiệu quả cao. Các
thuật toán áp dụng trong phân loại lớp phủ từ ảnh vệ tinh đem lại kết quả có độ tin cậy cao, quá
50

Hội thảo Quốc gia 2022


trình xử lý nhanh. Google Earth Engine (GEE) là nền tảng điện tốn đám mây, có khả năng xử lý
dữ liệu viễn thám online đáp ứng kịp thời các yêu cầu cung cấp thông tin, dữ liệu phục vụ quá trình
chuyên đổi số trong quản lý đất đai. Trong nghiên cứu này, tác giả sử dụng thuật toán Classification
and regression tree (Cart) áp dụng cho việc học máy (Machine Learning) là một lĩnh vực thuộc trí
tuệ nhân tạo (AI - Artificial Intelligence) để viết chương trình tự động hóa việc phân loại, giám sát
biến động các lớp phủ sử dụng đất dựa trên nền tảng điện toán đám mây GEE.
Trước đây, đã có những nghiên cứu sử dụng một số thuật toán như Maximum Likelihood
Classifier (MLC), Minimum Distance Classifier (MDC), K-Nearest Neighbor (KNN), Support
Vector Machine (SVM), Random Forest (RF) và Classification and regression tree (Cart) [1 - 4]
dựa trên các phần mềm thương mại chuyên dụng để phân loại lớp phủ bề mặt đất từ ảnh vệ tinh [5,
6]. Các hệ thống phần mềm này đã chứng minh được hiệu quả của mình, tuy nhiên kinh phí lớn và
khả năng xử lý trực tuyến chưa thuận lợi. Nghiên cứu này sử dụng thuật toán học máy và xử lý dữ
liệu trực tuyến (online) dựa trên hệ thống mã nguồn mở với ngơn ngữ lập trình JavaSript, Python
được sử dụng hồn tồn miễn phí bao gồm cả dữ liệu ảnh vệ tinh như Landsat, Sentinel, Modis,...

Đây cũng là ưu điểm lớn và là xu thế đang phát triển mạnh trong thời kỳ công nghệ 4.0.
2. Dữ liệu và khu vực nghiên cứu
Khu vực huyện Từ Liêm trước đây có diện tích khoảng 76 km², dân số là 553.308 người, mật
độ dân số đạt 7.316 người/km², từ cuối năm 2013 đã được chia tách thành hai đơn vị hành chính
cấp quận là Nam Từ Liêm và Bắc Từ Liêm [7]. Từ khi khu vực huyện Từ Liêm trở thành 2 quận
Nam Từ Liêm và Bắc Từ Liêm cho đến nay, với nhiều nguồn kinh phí đầu tư phát triển cơ sở hạ
tầng,... đã có những biến động rõ rệt về các loại hình sử dụng đất, góp phần vào sự phát triển kinh
tế, xã hội của khu vực. Hình 1 minh họa vị trí khu vực nghiên cứu.

Hình 1: Hình ảnh, vị trí khu vực nghiên cứu
Trong nghiên cứu này, tác giả sử dụng tư liệu ảnh vệ tinh Landsat 8 và Sentinel - 2 được khai
thác trực tuyến trên nền tảng GEE. Các dữ liệu ảnh vệ tinh được lựa chọn đảm bảo có chất lượng rõ
ràng, độ phủ mây thấp nhất. Kết quả đã lựa chọn ảnh Landsat 8 và Sentinel - 2 trong giai đoạn 2013
đến nay. Trong đó ảnh Landsat 8 mức 1T có độ phân giải khơng gian là 30 m, ảnh Sentinel - 2A 1T
có độ phân giải không gian 10 m. Các loại ảnh vệ tinh trong khu vực nghiên cứu tại thời điểm từ
đầu năm 2022 đến hiện nay (tháng 8 năm 2022) hầu hết có lượng mây che phủ rất lớn trung bình
Hội thảo Quốc gia 2022

51


trên 70 %, có những thời điểm lượng mây che phủ đến 100 %, do đó dữ liệu ảnh vệ tinh được khai
thác và sử dụng được hiện tại chỉ có đến năm 2021. Các thơng tin cơ bản về dữ liệu ảnh vệ tinh
được trinh bày tại Bảng 1 dưới đây:
Bảng 1. Thông tin cơ bản về dữ liệu ảnh vệ tinh trong khu vực nghiên cứu
Thời gian thu nhận ảnh
02-12-2013
07-10-2016
30-09-2019
03-01-2021

Loại ảnh
LandSat 8
LandSat 8
LandSat 8
Sentinel - 2

Độ phủ mây
0,05 %
0,12 %
1,53 %
0,73 %

3. Phương pháp nghiên cứu
Sử dụng các thuật tốn Cart, để tính tốn, phân loại lớp phủ bề mặt cho dữ liệu đầu vào là
ảnh vệ tinh Landsat 8, Sentinel - 2. Việc phân loại ảnh theo được thực hiện bằng ngơn ngữ lập
trình JavaScript trên nền tảng dữ liệu điện toán đám mây GEE. Trong nghiên cứu tại khu vực này,
tác giả lựa chọn 4 lớp cơ phủ cơ bản để phân loại lần lượt bao gồm: 1) Lớp phủ Đất trống, 2) Lớp
phủ Mặt nước, 3) Lớp phủ Thực vật, 4) Lớp phủ Cơng trình xây dựng. Các lớp phủ được lựa chọn
để phân loại là hiện trạng tại thời điểm thu nhận ảnh, trong đó với lớp Đất trống các điểm lấy mẫu
phân loại được chọn là các khu vực như bãi đất, cát, bãi bồi, khu vực đang san lấp, các khu vực
đất trống mới san lấp chuẩn bị xây dựng. Lớp phủ Mặt nước gồm các khu vực ao hồ, sông suối,
kênh mương. Lớp phủ Thực vật bao gồm những khu vực có cây cối, bãi cỏ, ruộng vườn tại thời
điểm thu nhận ảnh đang có cây trồng. Lớp phủ Cơng trình xây dựng gồm nhà cửa, cơng trình xây
dựng độc lập và các khu vực nhà cửa, cơng trình xây dựng tại làng mạc, khu chung cư, các tòa nhà
cao tầng. Tổng số lượng điểm lấy mẫu là 350 điểm cho 4 lớp phủ của tồn bộ khu vực nghiên cứu.

Hình 2: Kết quả thực hiện chương trình trên GEE
Sau khi lấy các mẫu cụ thể cho từng loại lớp phủ, tiến hành việc huấn luyện để cho chương
trình học và ghi nhận các thông tin về các mẫu cho từng loại lớp phủ. Trong ngôn ngữ JavaScript, sử

dụng các lệnh lựa chọn các kênh ảnh như là image.select(bands) và các hàm lấy mẫu sampleRegions
để thực hiện việc huấn luyện mẫu. Kết thúc quá trình huấn luyện, sử dụng hàm ee.Classifier.
smileCart để tiến hành phân loại các lớp phủ theo thuật toán Cart trong khu vực nghiên cứu.
52

Hội thảo Quốc gia 2022


Hình 2 thể hiện kết quả của chương trình trên GEE. Các bước phân loại được tiến hành theo như
hình minh họa (Hình 3). Trong đó bao gồm: Thu thập dữ liệu ảnh Landsat 8, Sentinel - 2 dựa trên
nền tảng dữ liệu điện toán đám mây GEE; Lọc và lựa chọn ảnh có độ phủ mây là thấp nhất; Lấy
mẫu theo các vị trí để phục vụ phân loại; Tạo mẫu và huấn luyện máy học. Phân loại các lớp phủ
trên ảnh vệ tinh theo các thuật toán Cart; Thu nhận kết quả ảnh phân loại theo thuật toán Cart;
Đánh giá độ chính xác của kết quả phân loại ảnh. Sau khi có kết quả phân loại ảnh, tiến hành các
bước phân tích, theo dõi biến động các lớp phủ sử dụng đất và phân tích các mối tương quan giữa
các lớp phủ sử dụng đất trong giai đoạn 2013 - 2021 tại khu vực nghiên cứu. Hình 2 thể hiện sơ đồ
tổng quan của quy trình nghiên cứu.

Hình 3: Sơ đồ quy trình phân loại ảnh
3.1. Thuật tốn Cart
Thuật tốn Cart là một thuật tốn học máy có giám sát trong hệ thống phân loại dựa trên
cây quyết định (Decision tree) và sử dụng các mẫu huấn luyện để xác định, nhận dạng, phân loại
đối tượng trên ảnh viễn thám Cart được sử dụng rộng rãi để phân loại viễn thám, nó cịn được gọi
là cây phân loại và hồi quy [8]. Thuật tốn Cart chia khơng gian n chiều thành các hình chữ nhật
khơng chồng lên nhau bằng phép đệ quy. Đầu tiên, một biến độc lập Xi được chọn, và sau đó xác
định một giá trị Ui tương ứng. Không gian n chiều được chia thành hai phần. Một số điểm thỏa mãn
Xi ≤ Ui, và những điểm khác thỏa mãn Xi > Ui. Đối với một biến khơng liên tục, chỉ có hai giá trị là
bằng hoặc khơng bằng nhau. Trong q trình xử lý đệ quy, hai phần này dựa vào bước đầu tiên để
chọn lại một thuộc tính và tiếp tục phân vùng cho đến khi chia hết không gian n chiều. Các thuộc
tính có giá trị hệ số GINI tối thiểu được sử dụng làm chỉ mục phân vùng. Đối với tập dữ liệu D, hệ

số GINI được xác định như sau:
GINI∗(D)=∑i=1kPi∗(1−Pi)=1−∑i=1kP2i

(1)
Hội thảo Quốc gia 2022

53


Trong đó, k là số loại mẫu và Pi biểu thị xác suất một mẫu được xếp vào loại i. Giá trị GINI
càng nhỏ có nghĩa là chất lượng của mẫu càng cao và hiệu ứng phân loại càng tốt.
Cây quyết định bao gồm các nút nhiều cấp và nhiều lá. Các nút tối đa đề cập đến số lượng
lá tối đa trên mỗi cây và quần thể lá tối thiểu là số lượng nút tối thiểu chỉ được tạo cho tập huấn
luyện. Để xây dựng một cây phù hợp, phải tạo đủ các nút và nhánh. Giá trị nút tối đa là khơng giới
hạn nếu nó khơng được chỉ định.
3.2. Phương pháp đánh giá độ chính xác
Sau khi có kết quả phân loại, cần thiết phải đánh giá độ chính xác, tại nghiên cứu này việc
đánh giá tiến hành thông qua ma trận nhầm lẫn (Confusion Matrix). Ma trận nhầm lẫn là phương
pháp quan trọng và phổ biến được sử dụng để đánh giá độ chính xác, có thể mơ tả độ chính xác
của phân loại và chỉ ra sự nhầm lẫn giữa các lớp đối tượng. Các thống kê cơ bản cho ma trận nhầm
lẫn trong đó có đánh giá về độ chính xác tổng thể (Overall Accuracy - OA) và hệ số Kappa. Trong
đó hệ số Kappa có giá trị từ 0,4 đến 0,6 được đánh giá là đạt kết quả trung bình, giá trị từ lớn hơn
0,6 đến 0,8 là tốt và hơn 0,8 đến 1,0 là rất tốt [9]. Thực hiện đánh giá trên GEE bằng vệc sử dụng
hàm errorMatrix, trong đó sử dụng 70 % số lượng mẫu dùng để phân loại ảnh và 30 % số lượng
mẫu dùng để kiểm tra đánh giá.
4. Kết quả nghiên cứu và thảo luận
Sau khi xử lý dữ liệu, phân loại ảnh, kết quả nghiên cứu có được là sản phẩm ảnh sau khi
phân loại theo các thuật toán Cart. Mỗi một ảnh sau phân loại bao gồm 4 lớp phủ cơ bản là lớp phủ
Đất trống, lớp phủ Mặt nước, lớp phủ Thực vật, lớp phủ Cơng trình xây dựng. Hình 4 minh họa
sản phẩm ảnh sau phân loại của khu vực nghiên cứu theo ba thuật tốn nêu trên.

a

b

2013
a. Ảnh RGB

2016

2019
b. Phân loại theo Cart

2021

Hình 4: a. Ảnh RGB; b. Phân loại theo Cart năm 2013, 2016, 2019, 2021
54

Hội thảo Quốc gia 2022


Ảnh sau phân loại được thể hiện rõ ràng theo thuật tốn Cart. Trong đó các lớp phủ chiếm đa
số là lớp phủ Thực vật và lớp phủ Cơng trình xây dựng. Hai lớp phủ này có độ che phủ từ khoảng
30 % đến gần 50 % cho cho mỗi lớp. Các lớp phủ còn lại là lớp Đất trống và lớp Mặt Nước có độ
che phủ từ khoảng 8 % đến 10 %. Kết quả của phân bố các lớp phủ như trên thể hiện sự phù hợp
với đặc điểm tự nhiên, phân bố dân cư, tập quán canh tác và phát triển kinh tế, xã hội tại khu vực
Từ Liêm, Hà Nội.
Kết quả giám sát biến động lớp phủ sử dụng đất giai đoạn 2013 - 2021 tại khu vực Từ Liêm,
Hà Nội cho thấy rằng các lớp phủ Đất trống và Mặt nước có ít biến động hơn so với 2 lớp phủ
cịn lại. Trong đó, lớp phủ Mặt nước có xu hướng giảm nhưng khơng nhiều, cụ thể là 8,88 % năm

2013 giảm còn 8,33 % vào năm 2021. Có nghĩa sau khoảng 8 năm phát triển tại 2 quận khu vực
Từ Liêm, lớp Mặt nước có diện tích giảm 0,53 % tương đương khoảng 403 hecta. Như vậy, đối với
lớp phủ Mặt nước, mỗi năm giảm trung bình khoảng 0,07 % so với tổng diện tích tự nhiên. Đối
với lớp phủ là Đất trống, cũng có xu hướng giảm, tuy nhiên khơng rõ rệt. Kết quả giảm độ che phủ
của lớp đất trống từ 10,86 % vào năm 2013 xuống còn 10,13 % vào năm 2021. Tuy nhiên vào năm
2019, kết quả cho thấy lớp Đất trống có độ che phủ thấp nhất, chỉ đạt 9,91 % so với tổng diện tích
tự nhiên, tương đương khoảng 754 hecta. Kết quả thấy rằng tuy có giảm về diện tích, nhưng năm
2021, diện tích của lớp phủ Đất trống cao hơn so với năm 2019 là 0,22 % tương đương khoảng 1,67
hecta. Điều này có vẻ đi ngược với xu hướng phát triển của khu vực nếu chỉ đơn thuần nhìn nhận
số liệu tăng và giảm của diện tích che phủ. Ngun nhân có thể tại các thời điểm thu nhận ảnh, chất
lượng ảnh, độ phân giải khơng gian cũng tạo nên những tính tốn có thể tồn tại sai lệch trong phân
loại. Ngồi ra, có thể nguyên nhân chênh lệch tăng về đất trống giữa năm 2021 và 2019 này rất có
thể do đến năm 2021, nhiều khu vực đang tiếp tục tiến hành thi công các dự án, các cơng trình xây
dựng tạo ra hiện trạng tương ứng với phân loại là lớp đất trống trên ảnh vệ tinh. Tổng thể, từ năm
2013 đến 2021, xu hướng giảm diện tích của 2 lớp phủ là Đất trống và Mặt nước tuy không nhiều
nhưng là rõ ràng. Theo kết quả phân tích, trung bình hàng năm trong giai đoạn này, tốc độ suy giảm
diện tích của các lớp Đất trống và Mặt nước tương ứng là 0,09 % và 0,07 %. Hình 5 thể hiện biểu
đồ và số liệu về biến động các lớp phủ sử dụng đất tại khu vực Từ Liêm, Hà Nội.

Hình 5: Kết quả phân loại các lớp phủ sử dụng đất so với tổng diện tích tự nhiên
Đối với 2 lớp phủ là Cơng trình xây dựng và lớp phủ Thực vật, kết quả cho thấy có sự tương
quan về tăng và giảm diện tích của hai lớp này trong giai đoạn nghiên cứu. Cụ thể là diện tích của
Hội thảo Quốc gia 2022

55


lớp phủ Thực vật có xu hướng giảm trung bình 0,91 % một năm, ngược lại là lớp phủ Công trình
xây dựng có xu hướng tăng 1,07 % mỗi năm. Trong giai đoạn từ 2013 đến 2021, lớp phủ Thực vật
giảm diện tích 7,28 % (tương đương giảm khoảng gần 600 hecta), trong khi đó diện tích lớp phủ

Cơng trình xây dựng tăng 8,57 % (tương đương tăng khoảng 650 hecta). Như vậy, có thể thấy rằng
sau thời gian 8 năm phát triển thành cấp quận, tốc độ đô thị hóa của khu vực quận Bắc Từ Liêm và
Nam Từ Liêm là tương đối cao và thể hiện rất rõ ràng bởi sự phát triển, mở rộng diện tích nhanh
chóng của các khu vực khu dân cư, các khu chung cư, các khu vực nhà cửa thương mại,... và các
khu vực đất canh tác nơng nghiệp có diện tích suy giảm rõ rệt. Kết quả phân tích mối quan hệ
giữa 2 lớp phủ này cho thấy hệ số tương quan r Pearson đạt giá trị -0,995. Điều này cho thấy rằng
lớp phủ thực vật và lớp phủ cơng trình xây dựng có mối tương quan rất cao và là mối tương quan
nghịch. Có nghĩa là sự gia tăng của lớp phủ cơng trình xây dựng sẽ chủ yếu được bù đắp bằng sự
suy giảm diện tích của lớp thực phủ.
Phục vụ cơng tác đánh giá độ chính xác, nghiên cứu đã sử dụng 118 điểm mẫu được lựa chon
ngẫu nhiên trong tổng số 350 điểm mẫu đã xây dựng kiểm định và thành lập ma trận nhầm lẫn. Tỷ
lệ điểm kiểm tra và tổng số điểm lấy mẫu lần lượt là 30 % và 70 %. Kết quả các độ chính xác sau
phân loại được tính tốn từ ma trận nhầm lẫn bao gồm các thông tin bản là độ chính xác tổng thể
(OA) và hệ số Kappa được thể hiện trong Bảng 2. Trong đó, độ chính xác tổng thể OA thấp nhất
là 0,86, cao nhất là 0,96, đồng thời hệ số Kappa cũng đạt từ 0,81 đến 0,92. Theo các đánh giá về
giá trị của hệ số Kappa đạt từ trên 0,41 đến 0,60 là có độ chính xác trung bình; Kappa từ 0,61 đến
0,80 là có độ chính xác tốt; Kappa từ 0,81 đến 1,0 là rất tốt, cịn dưới 0,40 là độ chính xác kém.
Kết quả nghiên cứu cho thấy độ chính xác ảnh sau phân loại là rất cao nên kết quả này đảm bảo độ
tin cậy để đưa ra các thống kê, phân tích về các lớp phủ sử dụng đất trong giai đoạn 2013 - 2021
tại khu vực Từ Liêm, Hà Nội.
Bảng 2. Độ chính xác phân loại ảnh
2021
2019
2016
2013

OA
0,96
0,91
0,86

0,86

Kappa
0,92
0,85
0,85
0,81

Độ chính xác phân loại ảnh phụ thuộc vào chất lượng ảnh và nhất là chất lượng của các mẫu
huấn luyện. Trong nghiên cứu này, chất lượng ảnh thu nhận qua các năm là tương đối đồng đều,
độ phủ mây rất thấp, ảnh có hình ảnh và các thông tin vật lý rõ ràng nên theo kết quả đánh giá tất
cả các ảnh sau phân loại từ 2013 đến 2022 đều có độ tin cậy cao.
5. Kết luận và đề xuất
Việc chuyển đổi phương pháp khai thác, phân tích dữ liệu ảnh vệ tinh trực tuyến và đánh giá
xử lý các thông tin phục vụ công tác quản lý đất đai đang ngày càng tỏ ra hiệu quả. Điều này cũng
góp phần tích cực vào cơng cuộc chuyển đổi số nói chung hiện nay và của ngành Quản lý đất đai
nói chung.
Phương pháp nghiên cứu đã đưa ra các kết quả một cách nhanh chóng, đảm bảo độ tin cậy và
các dữ liệu phân tích thường là có thời gian gần đây nhất. Kết quả cũng cho thấy rõ ràng về sự phát
triển, đô thị hóa của khu vực Từ Liêm, Hà Nội. Cụ thể bằng các số liệu phân loại ảnh đã cho thấy
tốc độ mở rộng của các khu vực Cơng trình xây dựng đạt 1,07 % hàng năm, sau 8 năm theo dõi từ
2013 đến 2021, diện tích của lớp phủ Cơng trình xây dựng đã tăng thêm 8,57 % (tương đương tăng
khoảng 650 hecta), trong khi đó diện tích lớp thực vật có độ suy giảm gần tương đương.
56

Hội thảo Quốc gia 2022


Các kết quả phân loại ảnh đã được đánh giá và thể hiện được độ tin cậy, tuy nhiên để có
những căn cứ thực tế hơn nữa, các nghiên cứu sau này nên có sự so sánh với các loại bản đồ như

là bản đồ hiện trạng sử dụng đất qua các thời kỳ. Từ đó có những đánh giá tốt hơn, và có các so
sánh cụ thể giữa bản đồ hiện trạng và thực trạng lớp phủ sử dụng đất được phân loại từ ảnh vệ tinh.
Ngoài ra, kết quả nghiên cứu này đã phân tích và giám sát biến động một số lớp phủ sử dụng
đất cơ bản, đưa ra các kết quả và xu hướng cũng như các mối tương qua giữa các lớp phủ cơ bản
với tốc độ đo thị hóa tại khu vực nghiên cứu. Để nâng cao hiệu quả hơn nữa có thể sử dụng các
kết quả này để tính tốn, dự báo kết quả tăng giảm các lớp phủ sử dụng đất cho các giai đoạn tiếp
theo thơng qua các thuật tốn phù hợp ví dụ như thuật tốn Markov CA cho dự báo xu hướng phát
triển các lớp sử dụng đất.
TÀI LIỆU THAM KHẢO
[1]. Phạm Minh Hải và cộng sự (2019). Nghiên cứu cơ sở khoa học ứng dụng tuật toán Radom Forest trong
phân loại ảnh vệ tinh Spot 6 với khu vực thực nghiệm tại tỉnh Cà Mau. Kỷ yếu Hội nghị: Nghiên cứu cơ bản
trong “Khoa học Trái đất và Môi trường”. 361.
[2]. Lewis, R. J. (2000). An introduction to classification and regression tree (CART) analysis. In Annual
meeting of the society for academic emergency medicine in San Francisco, California (Vol. 14). Citeseer.
[3]. Breiman L. J. M. l.l (2001). Random forests. Kluwer Academic Publishers. Manufactured in The
Netherlands. 45, 5.
[4]. Cortes C. and V. Vapnikl (1995). Support - vector networks. J Machine learning, Kluwer Academic
Publishers, Boston. Manufactured in The Netherlands. 20, 273.
[5]. Ngo, T. P. T., Ngo, L. H., Nguyen, K. Q., Bui, T. T., Van Tran, P., Nhu, H. V., & Nguyen, Y. H. T. (2020).
Applying Random Forest approach in forecasting flash flood susceptibility area in Lao Cai region. Journal
of Mining and Earth Sciences, 61(5), 30 - 42.
[6]. Le, H. T. D., Pham, L. H., Hoang, T. T., & Dinh, T. Q. (2021). Land - cover classification using
Random Forest and incorporating NDVI time - series and topography: A case study of Thanh Hoa province,
Vietnam. Science & Technology development Journal - Science of The Earth & Environment, 5(S3), 40 53.
[7]. />[8]. Breiman L. and R. Ihaka (1984). Nonlinear discriminant analysis via scaling and ACE. Department of
Statistics, University of California, Technical Report. 40, 1.
[9]. Visa S., B. Ramsay, A. L. Ralescu, and E. J. M. Van Der Knaapl (2011). Confusion matrix - based
feature selection. 710, 120.

BBT nhận bài: 31/8/2022; Chấp nhận đăng: 31/10/2022

Hội thảo Quốc gia 2022

57